0. 5초 결론
AI가 비싼 탐색을 먼저 하고, 사람은 좁혀진 40장과 승리 루트로 랭크전에 들어간다. 실전에서 저가치 카드와 행동을 더 버리고, 같은 상대를 반복해서 만나면 개인 습관까지 학습한다.
AI는 탐색 공간을 줄이고, 사람은 결정 가지를 줄이고, 재대전은 상대 불확실성을 줄인다. 결국 위치 상대로는 연구원, 실험체, 사자 — 또 이 패턴만으로도 다음 수가 떠오른다.
1. AI가 먼저 지뢰를 밟았다
이전 연구는 대회 덱, 카드 DB, 규칙, 멀리건, 플레이 정책, 매치업 floor와 하방 위험까지 다뤘다. full-rules 단계는 12,480전을 돌렸고, “규칙이 맞아도 AI 전략이 틀릴 수 있다”는 실패도 확인했다.
9탄 지원 범위에서는 32구성 2,324전에서 어그로 나이트메어가 모델 평균81.0%, 최악63.9%로 1위였다. 해적 로얄 전용은5,904전, unseen seed holdout1,944전에서 좁은 조건의 baseline91.4%도 나왔다.
이 숫자는 실제 랭크 승률이 아니다. 핵심은 사람이 시험할 후보를 미리 크게 줄였다는 것이다.
2. 다이아와 재대전: 화면은 BO1, 머리는 BO7
Group은 Rank와 별도이며 최근 승패로 변한다. Diamond는 최고 Group이고, Diamond에서 Grand Master로 올라가면 공식상 CR1600에서 시작한다.
하지만 정확한 matchmaking 공식은 공개되지 않았으므로 “다이아라서 반드시 상대 풀이 작다”고 단정할 수는 없다.
실전에서는 조용한 시간대에 같은 상대가 반복됐다. 1게임은 보통 BO1, 2게임부터 과거 정보, 3게임부터 사람 습관. UI는 BO1인데 머리는 BO7이다.
3. 지금 실험체 위치는 “연구원 + 실험체 + 사자”로 기억해도 된다
9탄 실험체 위치는 세피, 연구원, 몰입의 실험체를 쌓아 후속 실험체를 크게 만들고 질주 압력으로 연결한다.
상대 입장에서는 연구원 → 실험체 수 → 5/5 구간 → 질주 구간으로 압축할 수 있다.
본문의 “사자”는 별도 카드 《절진의 현현 라이오》가 아니다. 현재 실험체 위치의 실험 관련 그림을 보고 붙인 외형 별명이다.
랭크전은 카드명 받아쓰기 시험이 아니다. “사자 나옴 = 이 대응”이 맞으면 충분하다.
4. “계산 안 한다”의 정체는 청킹이다
처음에는 PP, 실험체 수, 회복 대상, 질주 타이밍, 다음 리설을 하나씩 본다. 반복되면 여러 정보가 하나의 패턴으로 합쳐진다. 인지과학의 chunking이다.
초보는 카드A + 필드B + PP + 예상 손패를 본다. 익숙한 사람은 **“아, 사자 모양”**으로 끝난다.
생각을 포기한 게 아니다. 예전에 계산한 답을 cache한 것이다.
5. 많이 이긴다고 곧바로 보편적 진짜 승률은 아니다
현재 성과에는 덱 파워, AI 선별, 사람 튜닝, 자주 만나는 Witch에 대한 국소 적응, 반복 상대 개인 학습이 섞인다.
서로 다른100명에게70%와 이미 외운 소수에게70%는 다른 실험이다. 일반화를 확인하려면 사람이 많은 시간에 새 상대 중심으로20~30전 이상 다시 보는 편이 좋다.
단, 지금 랭크를 이기는 목적이라면 심야 마을 주민 암기도 합법적인 최적화다.
6. 최종 결론: AI는 탐색하고, 사람은 예외만 외운다
AI 연구 → 후보 축소 → 빠른 랭크 검증 → 저가치 판단 제거 → matchup template → 개인 template → chunking.
시작은 “카드게임 계산 귀찮으니 AI가 해”였다.
끝은 AI: “수천 판 봤습니다.” / 사람: “사자 나왔다. 이 분기.”
AI가 대신 게임한 것이 아니다. 탐색을 외주화해 사람이 현장의 예외에만 집중하게 된 것이다.
